{"templateName":"base-page-template54","cssClassNames":"page basicpage summit-page","allowedRenditionsWidth":["320","480","640","768","960","1200","1440","1920"],"language":"ko","description":"머신러닝이란 무엇인지, ML 수명 주기는 어떻게 작동하는지, 그리고 엔터프라이즈 팀이 모델을 자신 있게 구축, 배포, 모니터링하는 데 도움이 되는 모범 사례는 무엇인지 알아보세요.","title":"머신러닝: 수명 주기, 유형 및 모범 사례 | Snowflake","analyticsPageType":"homepage","analyticsCategory":"general","analyticsSubCategory":"","excludeFromAnalytics":false,":mappedPath":"/ko/artificial-intelligence/machine-learning/",":type":"snowflake-site/components/structure/page",":items":{"root":{"columnCount":12,"columnClassNames":{"markup_editor_928258845":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-banner":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-header":"aem-GridColumn aem-GridColumn--default--12","responsivegrid":"aem-GridColumn aem-GridColumn--default--12","markup_editor_597730182":"aem-GridColumn aem-GridColumn--default--12","experiencefragment-footer":"aem-GridColumn aem-GridColumn--default--12","experiencefragment":"aem-GridColumn aem-GridColumn--default--12","modal_container":"aem-GridColumn aem-GridColumn--default--12","markup_editor":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"experiencefragment-banner":{"id":"experiencefragment-6dc92153a2","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/pushdown-banner/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/pushdown-banner/master.xfmodel.json?callerPage=/content/snowflake-site/global/ko/artificial-intelligence/machine-learning"},"experiencefragment-header":{"id":"experiencefragment-c5d81df277","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/mega-nav-header/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/mega-nav-header/master.xfmodel.json?callerPage=/content/snowflake-site/global/ko/artificial-intelligence/machine-learning"},"responsivegrid":{"columnCount":12,"columnClassNames":{"flexible_column_cont_939100716":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1158003461":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_663228916":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_912630531":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1398138236":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1786318617":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1467213961":"aem-GridColumn aem-GridColumn--default--12","flexible_column_cont_1377146023":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12",":items":{"flexible_column_cont":{"id":"flexible-column-container-860687d1bb","propertiesId":"hub-hero-breadcrumbs","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-7a3e46f51b",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"breadcrumb":{"id":"breadcrumb-2444acc6ee","items":[{"id":"breadcrumb-2444acc6ee-item-6486f44734","link":{"valid":true,"url":"/ko/"},"active":false,"current":false,"title":"한국어",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-2444acc6ee-item-bbf96f220b","link":{"valid":true,"url":"/ko/artificial-intelligence/"},"active":false,"current":false,"title":"인공지능",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"},{"id":"breadcrumb-2444acc6ee-item-76d1d830ff","link":{"valid":true,"url":"/ko/artificial-intelligence/machine-learning/"},"active":true,"current":true,"title":"머신러닝",":type":"snowflake-site/components/structure/page","appliedCssClassNames":"summit-page"}],":type":"snowflake-site/components/breadcrumb"}},":itemsOrder":["breadcrumb"]},"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_939100716":{"id":"flexible-column-container-0275da08ba","propertiesId":"hub-hero","type":"2-column-even","alignColumns":"center","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"extra-small","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-19f4a0040e",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_470483971":{"id":"text-37702d7963","additionalClasses":"eyebrow-text","text":"\u003Cp style=\"padding-top: 8.0px;\"\u003E기본 가이드\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-02"},"title_v2":{"id":"title-v2-2b523fea81","additionalClasses":"hub-hero__headline","type":"heading1","lines":["엔터프라이즈에서의 머신러닝: ML 수명 주기 및 모범 사례"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text":{"id":"text-375925cd16","additionalClasses":"hub-hero__subheadline","text":"\u003Cp\u003E머신러닝은 조직이 이미 수집하고 있는 데이터로 할 수 있는 일의 범위를 확장합니다. 이 가이드에서는 ML 수명 주기, 핵심 모범 사례, 그리고 팀이 ML을 자신 있게 구축, 배포, 모니터링하는 데 필요한 데이터 파운데이션을 자세히 살펴봅니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"container":{"additionalClasses":"hub-hero__authors","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"content_chip_copy":"aem-GridColumn aem-GridColumn--default--12","content_chip":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-745a29b52a",":type":"snowflake-site/components/container",":items":{"content_chip_copy":{"id":"content-chip-f93e1031e9","cta":{"id":"cta","showOutboundIcon":false,"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_INTERNAL","text":"약력 보기"},"image":{"id":"image","height":"800","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7e9fdff-6f08-4edc-9cd1-e213bb234aaa/laurie-macpherson.jpg?preferwebp=true&quality=85","alt":"Laurie Macpherson headshot","lazyEnabled":true,"width":"800",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Laurie MacPherson","테크니컬 라이터, Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"},"content_chip":{"id":"content-chip-db0de92944","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/authors/jiyun-kim/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"약력 보기"},"image":{"id":"image","height":"567","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--a7298322-b642-462f-a1ea-e4319d26238d/jiyun-kim-photo.jpg?preferwebp=true&quality=85","alt":"David Gaule","lazyEnabled":true,"width":"425",":type":"snowflake-site/components/image"},"headline":{"id":"title","type":"heading5","lines":["Jiyun Kim","SEO Specialist Snowflake"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip"}},":itemsOrder":["content_chip_copy","content_chip"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"}},":itemsOrder":["text_470483971","title_v2","text","container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"additionalClasses":"hub-hero__video-column","layout":"SIMPLE","id":"container-dd9812bb34",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"youtube":{"id":"embed-36d5c93977","youtubeVideoId":"mhjjtTF35V0","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"}},":itemsOrder":["youtube"]},"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1398138236":{"id":"flexible-column-container-3c5fbfb489","propertiesId":"hub-hero-related-topics","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"extra-small","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"related-topics-outer-container border-top","layout":"SIMPLE","id":"container-4248c54db9",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"text_894059747":{"id":"text-5a7b7c6081","additionalClasses":"seo-hub-hero__related-topic-label","text":"\u003Cp\u003E머신러닝 주제:\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text":{"id":"text-5d981a8c6c","additionalClasses":"related-topics ","text":"\u003Cul\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/automl/\"\u003EAutoML\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/machine-learning/deep-learning/\"\u003E딥러닝\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/machine-learning/ensemble-learning/\"\u003E앙상블 학습\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/machine-learning/feature-engineering/\"\u003E피처 엔지니어링\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/frameworks/\"\u003EML 프레임워크\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/machine-learning/inference/\"\u003EML 추론\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/en/artificial-intelligence/machine-learning/models/\"\u003EML 모델\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/machine-learning/mlops/\"\u003EMLOps\u003C/a\u003E\u003C/li\u003E\r\n\u003Cli\u003E\u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/machine-learning/reinforcement-learning/\"\u003E강화학습\u003C/a\u003E\u003C/li\u003E\r\n\u003C/ul\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small"}},":itemsOrder":["text_894059747","text"]},"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_663228916":{"id":"flexible-column-container-f84f21e230","propertiesId":"hub-body","type":"2-column-60-40","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"medium","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"propertiesCSSClasses":"page-section","backgroundImageOption":"none","flexible_column_content_container_1":{"additionalClasses":"longform-content","layout":"SIMPLE","id":"hub-body-content",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"callout_what-is-ai-governance_0":{"id":"text-0f603e7357","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003E머신러닝 정의\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003E머신러닝(ML)은 인공지능의 한 분야로, 시스템이 데이터에서 패턴을 식별하고 이를 활용해 예측, 추천 등 다양한 결과를 생성할 수 있도록 합니다. 수동으로 프로그래밍된 규칙에만 의존하는 대신, ML은 데이터가 축적될수록 조직이 의사 결정을 자동화하고 인사이트를 발견하며 성과를 개선할 수 있도록 지원합니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_intro_0":{"id":"text-c608e79c52","text":"\u003Cp\u003E머신러닝은 이제 연구 프로젝트나 개별 데이터 사이언스 실험 단계를 넘어, 거래를 처리하고 고객 경험을 개인화하며 보안 이상 징후를 탐지하고 수요를 예측하는 등 일상적인 의사 결정을 지원하는 비즈니스 시스템 전반으로 확대되고 있습니다. 머신러닝의 가치는 사람이 직접 규칙으로 정의하기에는 규모가 너무 크거나, 변화가 빠르거나, 복잡한 관계를 데이터를 통해 파악할 수 있다는 점에 있습니다.\u003C/p\u003E\n\u003Cp\u003E머신러닝을 프로덕션 환경에 배포하는 것은 단순히 알고리즘을 선택하는 것 이상의 작업을 요구합니다. 팀에는 신뢰할 수 있는 데이터, 반복 가능한 피처 파이프라인, 명확한 평가 기준, 배포 통제 체계, 그리고 비즈니스 환경이 변한 뒤에도 모델이 예상대로 작동하는지 확인할 수 있는 모니터링 체계가 필요합니다. \u003C/p\u003E\n\u003Cp\u003E이 가이드에서는 머신러닝의 작동 원리, ML 수명 주기 모범 사례, 그리고 엔터프라이즈 팀이 ML 시스템을 도입할 때 고려해야 할 사항을 설명합니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_what-is-ai-governance":{"id":"title-v2-0459c19a05","additionalClasses":"anchor-title anchor-title--what-is-machine-learning","type":"heading2","lines":["머신러닝이란?"],":type":"snowflake-site/components/title-v2"},"text_what-is-ai-governance_0":{"id":"text-289bc9ed16","text":"\u003Cp\u003E머신러닝은 \u003Ca href=\"https://www.snowflake.com/ko/artificial-intelligence/\"\u003E인공지능\u003C/a\u003E의 하위 집합으로, 소프트웨어가 데이터에서 패턴을 학습하고 이를 활용해 예측, 분류, 추천 등의 결과를 만들어내는 기술입니다. 전통적인 규칙 기반 프로그래밍에서는 개발자가 “이 조건이 발생하면 저 동작을 수행하라”와 같은 명시적 지시문을 작성합니다. 반면 머신러닝에서는 시스템이 학습 데이터를 활용해 입력과 출력 간의 통계적 관계를 추론한 뒤, 추론 단계에서 학습된 관계를 새로운 데이터에 적용합니다. \u003C/p\u003E\r\n\u003Cp\u003E예를 들어, ML 모델은 특정 트랜잭션 속성이 사기와 연관되어 있음을 학습하거나, 특정 사용 패턴이 이탈을 예측하는 지표라는 사실을 파악하거나, 매출 이력과 계절성을 결합하면 수요 예측 정확도를 높일 수 있다는 점을 학습할 수 있습니다. 알고리즘은 시스템이 학습하는 방식을 정의하며, 모델은 학습을 통해 산출된 아티팩트입니다. 추론은 이렇게 만들어진 모델을 새로운 데이터에 적용하는 과정을 의미합니다.\u003C/p\u003E\r\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_why-ai-governance-matters-now":{"id":"title-v2-cf62a03ae1","additionalClasses":"anchor-title anchor-title--why-machine-learning-matters-for-enterprise-data-teams","type":"heading2","lines":["엔터프라이즈 데이터 팀에게 머신러닝이 중요한 이유"],":type":"snowflake-site/components/title-v2"},"text_why-ai-governance-matters-now_0":{"id":"text-c8986333e5","text":"\u003Cp\u003E머신러닝은 조직이 이미 수집하고 있는 데이터로 할 수 있는 일의 범위를 확장합니다. 사람이 수동으로 검토할 수 없는 방대한 양의 정보를 처리할 수 있으며, 회고 분석 목적으로 구축된 대시보드보다 더 빠르게 신호를 포착할 수 있습니다. 또한 인식 가능한 패턴을 따르는 반복적인 의사 결정을 자동화할 수 있습니다.\u003C/p\u003E\n\u003Cp\u003E다만, 프로덕션 ML은 데이터 플랫폼의 역할을 근본적으로 변화시킵니다. 이제 데이터는 정적인 보고서에만 활용되는 것이 아니라 비즈니스 운영 방식 자체를 결정합니다. 데이터 품질 문제는 예측 오류로 이어지고, 이러한 예측이 비즈니스 워크플로우에 반영되면 결국 잘못된 의사 결정으로 귀결될 수 있습니다.\u003C/p\u003E\n\u003Cp\u003EML 모델은 테이블, 이벤트, 레이블, 피처, 액세스 정책, 새로 고침 패턴에 의존합니다. 입력 데이터가 분산되어 있거나 거버넌스가 미흡하더라도 학습 프로세스 자체는 중단되지 않지만, 그 결과를 검증하거나 재현하거나 프로덕션 환경에서 안정적으로 실행하기는 어렵습니다.\u003C/p\u003E\n\u003Cp\u003E엔터프라이즈 ML 프로그램의 발전 수준이 데이터 파운데이션의 성숙도에 좌우되는 이유가 바로 여기에 있습니다. 각 팀에게는 거버넌스가 적용된 데이터, 반복 실행 가능한 파이프라인, 모델 수명 주기 제어 체계, 그리고 프로덕션 환경에서의 모델 동작이 학습 당시 조건과 일치하는지 모니터링할 수 있는 방법이 필요합니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_key-ai-governance-frameworks-eu-ai-act-nist-ai-rmf-and-iso-42001":{"id":"title-v2-82deaf5a7a","additionalClasses":"anchor-title anchor-title--how-machine-learning-works-ml-lifecycle","type":"heading2","lines":["머신러닝의 작동 방식: ML 수명 주기"],":type":"snowflake-site/components/title-v2"},"text_key-ai-governance-frameworks-eu-ai-act-nist-ai-rmf-and-iso-42001_0":{"id":"text-22801b6e91","text":"\u003Cp\u003E대부분의 머신러닝은 데이터 준비, 피처 엔지니어링, 모델 학습, 성능 평가, 추론 파이프라인 배포, 지속적인 모니터링으로 이어지는 반복적인 수명 주기를 따릅니다. \u003C/p\u003E\n\u003Ch3\u003E데이터 준비\u003C/h3\u003E\n\u003Cp\u003E수명 주기는 일반적으로 데이터 준비에서 시작됩니다. 각 팀은 가공 전 데이터를 수집하고, 일관성 없는 값을 정리하며, 결측값을 처리하고, 관련 테이블을 조인하여 모델이 해결하고자 하는 문제를 반영하는 학습 데이터 세트를 만듭니다. 예를 들어 고객 이탈 모델의 학습 데이터 세트에는 계정 속성, 제품 사용량, 지원 상호작용, 청구 기록, 고객의 갱신 여부를 나타내는 레이블 등이 포함될 수 있습니다.\u003C/p\u003E\n\u003Ch3\u003E피처 엔지니어링\u003C/h3\u003E\n\u003Cp\u003E피처 엔지니어링은 준비된 데이터를 모델이 학습할 수 있는 신호로 변환하는 과정으로, 가공 전 타임스탬프, 트랜잭션 시퀀스, 비정형 텍스트를 최근성 윈도우, 이동 평균, 임베딩과 같은 파생 값으로 바꿉니다. 이 단계에서는 대개 도메인 컨텍스트가 필요합니다. 유용한 신호는 가공 전 컬럼 자체가 아니라, 해당 값이 시간에 따라 어떻게 변화하는지, 계정 전반에서 어떤 양상을 보이는지, 또는 모델이 예측하려는 결과와 어떤 관계를 갖는지에서 나오기 때문입니다. 예를 들어 이탈 모델에서는 총 로그인 횟수보다 온보딩 이후 급격한 사용량 감소가 훨씬 더 중요한 신호입니다. 사기 탐지 모델에서 거래 금액은 해당 금액이 계좌, 가맹점 또는 위치 기준으로 이상 징후인지에 대한 맥락이 없다면 아무런 의미가 없습니다.\u003C/p\u003E\n\u003Ch3\u003E모델 학습\u003C/h3\u003E\n\u003Cp\u003E모델 학습 과정에서 알고리즘은 학습 목표에 대한 오류를 줄이기 위해 내부 파라미터를 조정합니다. 많은 모델에서 이 목표는 손실 함수로 표현되며, 경사 하강법과 같은 모델 학습 최적화 방법이 모델의 가중치를 조정해 손실을 줄입니다. 데이터 사이언티스트는 학습률, 트리 깊이, 정규화 강도와 같은 하이퍼파라미터도 조정합니다. 이러한 하이퍼파라미터는 모델의 학습 방식을 결정하지만, 데이터로부터 직접 학습되지는 않습니다.\u003C/p\u003E\n\u003Ch3\u003E평가\u003C/h3\u003E\n\u003Cp\u003E평가는 모델이 학습 데이터를 넘어 일반화되는지를 검증합니다. 각 팀은 일반적으로 검증 세트나 교차 검증 프로세스를 사용해 후보 모델을 비교하고, 과적합 여부를 확인하며, 사용 사례에 따라 정밀도, 재현율, F1 점수, 평균 제곱근 오차, AUC와 같은 지표로 성능을 측정합니다.\u003C/p\u003E\n\u003Ch3\u003E배포\u003C/h3\u003E\n\u003Cp\u003E배포는 모델을 추론 파이프라인으로 이동시키는 단계입니다. 배치 추론에서는 야간 이탈 예측이나 주간 수요 예측처럼 정해진 일정에 따라 모델이 레코드에 점수를 부여합니다. 실시간 추론에서는 고객이 결제를 진행하는 동안 트랜잭션에 점수를 매기는 것과 같이, 활성 워크플로우 안에서 모델이 예측 결과를 반환합니다.\u003C/p\u003E\n\u003Ch3\u003E모니터링\u003C/h3\u003E\n\u003Cp\u003E모니터링은 이러한 흐름을 완성합니다. 평가 단계에서 우수한 성능을 보인 모델도 입력이 변하거나, 레이블이 바뀌거나, 업스트림 파이프라인에 문제가 생기면 프로덕션 환경에서 드리프트가 발생할 수 있습니다. Snowflake의 ML 옵저버빌리티 설명서는 입력 드리프트, 오래된 학습 가정, 데이터 파이프라인 문제, 트래픽 패턴의 변화 등으로 인해 모델 동작이 시간이 지나면서 달라질 수 있다고 설명합니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"card_v2_why_ai_gover":{"id":"card-v2-5603b9d94a","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EPenske Logistics는 Snowflake와 Snowflake Cortex AI를 활용해 생성형 AI를 안전하게 도입하고, 운영 효율성을 개선하며, 관리자들에게 직원 안전, 성과, 유지율에 대한 보다 명확한 인사이트를 제공하고 있습니다. Snowflake에 데이터를 중앙 집중화한 Penske는 5년 치 엔터프라이즈 데이터를 기반으로 한 BI 보고서를 단 15분 만에 생성할 수 있으며, 새로운 AI 요약 모델을 15일 이내에 구축했습니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal","title":{"id":"title","type":"heading4","lines":["고객 사례 Penske"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/customers/all-customers/case-study/penske/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"전체 활용 사례 읽기"},"image":{"id":"image","height":"351","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--45e02db9-cdb8-453c-bd20-8b8d72be4fd5/penske.png?preferwebp=true&quality=85","alt":"penske logo","lazyEnabled":true,"width":"624",":type":"snowflake-site/components/image"},"type":"content-card"},"title_key-components-of-ai-governance":{"id":"title-v2-00d958f88f","additionalClasses":"anchor-title anchor-title--types-of-machine-learning","type":"heading2","lines":["머신러닝의 유형"],":type":"snowflake-site/components/title-v2"},"text_key-components-of-ai-governance_0":{"id":"text-dedfa9ddc9","text":"\u003Cp\u003EML 방법은 모델이 데이터로부터 학습하는 방식에 따라 그룹화되는 경우가 많습니다.\u003C/p\u003E\n\u003Ch3\u003E지도 학습\u003C/h3\u003E\n\u003Cp\u003E지도 학습은 레이블이 지정된 데이터를 사용해 입력과 알려진 출력 간의 관계를 학습합니다. 사기 여부, 이탈 또는 갱신, 승인 또는 거절, 예측 수요 대비 실제 수요와 같이 다수의 비즈니스 문제에 과거 레이블이 존재하기 때문에 엔터프라이즈 ML에서 널리 사용됩니다. 지도 학습에는 범주를 예측하는 분류과 수치를 예측하는 회귀가 포함됩니다.\u003C/p\u003E\n\u003Ch3\u003E비지도 학습 \u003C/h3\u003E\n\u003Cp\u003E비지도 학습은 레이블이 없는 데이터에서 패턴을 찾아냅니다. 클러스터링은 유사한 행동을 보이는 고객을 그룹화할 수 있으며, 차원 축소는 복잡한 데이터를 더 작은 표현으로 압축해 분석이나 다운스트림 모델링에 활용할 수 있게 합니다. IBM은 비지도 모델이 레이블이 지정된 예시 없이 데이터 세트에 스스로 적합화된다는 점을 들어 이를 지도 학습과 대비하여 설명합니다.\u003C/p\u003E\n\u003Ch3\u003E강화학습\u003C/h3\u003E\n\u003Cp\u003E강화학습은 환경과의 상호작용을 통해 AI 에이전트를 학습시킵니다. 에이전트는 고정된 레이블 데이터 세트로부터 학습하는 대신, 행동을 취할 때마다 보상이나 페널티를 받으며 시간이 지남에 따라 자신의 정책을 개선해 나갑니다. IBM은 강화학습을 로봇공학, 게임, 추론 모델과 같은 분야에서 활용되는 시행착오 기반 학습으로 설명합니다.\u003C/p\u003E\n\u003Ch3\u003E준지도 학습\u003C/h3\u003E\n\u003Cp\u003E준지도 학습은 소량의 레이블된 데이터와 대량의 레이블이 없는 데이터를 결합하는 방식으로, 레이블 수집에 비용이 많이 들거나 시간이 오래 걸릴 때 유용합니다.\u003C/p\u003E\n\u003Ch3\u003E자기 지도 학습\u003C/h3\u003E\n\u003Cp\u003E자기 지도 학습은 데이터 자체에서 학습 신호를 생성하는 방식으로, \u003Ca href=\"https://www.snowflake.com/en/fundamentals/large-language-model/\"\u003E대규모 언어 모델\u003C/a\u003E(LLM) 및 기타 파운데이션 모델 접근법에서 특히 중요한 방법으로 자리 잡았습니다. 미국 국립표준기술연구소(NIST)에 따르면, 이중 용도 파운데이션 모델은 일반적으로 광범위한 데이터로 학습되며 자기 지도 방식을 자주 활용합니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_responsible-ai-principles-that-operationalize-governance":{"id":"title-v2-50dcd28325","additionalClasses":"anchor-title anchor-title--deep-learning-and-neural-networks","type":"heading2","lines":["딥러닝과 신경망"],":type":"snowflake-site/components/title-v2"},"text_responsible-ai-principles-that-operationalize-governance_0":{"id":"text-816e11d5aa","text":"\u003Cp\u003E딥러닝은 다층 신경망을 사용하여 데이터로부터 표현을 학습하는 머신러닝의 한 분야입니다. 신경망은 연결된 노드로 구성된 계층, 학습 과정에서 조정되는 가중치, 그리고 비선형 관계를 모델링하도록 돕는 활성화 함수로 이루어집니다. 역전파는 오류 정보를 네트워크 역방향으로 전달하여 모델이 가중치를 업데이트하고 성능을 개선할 수 있도록 합니다.\u003C/p\u003E\n\u003Cp\u003E신경망 아키텍처는 종류에 따라 적합한 데이터 유형과 작업이 다릅니다. \u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cp\u003E합성곱 신경망(CNN)은 이미지 처리와 컴퓨터 비전에 주로 활용됩니다.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E트랜스포머는 언어 처리, 시퀀스 모델링, \u003Ca href=\"https://www.snowflake.com/en/fundamentals/generative-ai-architecture-models-applications/\"\u003E생성형 AI\u003C/a\u003E 분야에서 폭넓게 사용됩니다. \u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E그래프 신경망은 사용자, 계정, 디바이스, 제품 등 서로 연결된 엔터티 간의 관계를 모델링할 수 있습니다. \u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E오토인코더는 데이터를 저차원 표현으로 압축했다가 다시 복원할 수 있어, 이상 감지와 데이터 압축에 유용합니다.\u003C/p\u003E\n\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003E딥러닝은 팀이 충분한 데이터와 컴퓨팅 자원, 운영 체계를 갖추었을 때 뛰어난 결과를 낼 수 있지만, 동시에 인프라 결정의 중요성도 부각시킵니다. 대규모 신경망 학습에는 GPU 가속화, 분산 훈련, 실험 추적, 그리고 세심한 비용 관리가 필요할 수 있기 때문입니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_ai-transparency-and-explainability":{"id":"title-v2-6488444dfa","additionalClasses":"anchor-title anchor-title--model-training-and-optimization","type":"heading2","lines":["모델 학습 및 최적화"],":type":"snowflake-site/components/title-v2"},"text_ai-transparency-and-explainability_0":{"id":"text-cb946f104d","text":"\u003Cp\u003E모델 학습은 단순히 데이터를 적합시키는 작업이 아닙니다. 목표는 일반화가 가능한 모델을 구축하는 것입니다. 즉, 프로덕션 환경에서 마주할 실제 조건과 유사한 새로운 사례에서도 우수한 성능을 발휘해야 합니다. 학습 데이터를 단순히 암기한 모델은 개발 단계에서는 우수해 보일 수 있지만, 실제로 새로운 고객, 새로운 거래, 새로운 시장 상황을 마주하면 성능이 저하될 수 있습니다.\u003C/p\u003E\n\u003Cp\u003E최적화 기법은 이러한 트레이드오프를 관리하는 데 도움이 됩니다.\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cp\u003E정규화는 모델이 지나치게 복잡해지는 것을 방지합니다.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E교차 검증은 데이터를 여러 방식으로 분할하여 성능을 평가합니다. \u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E앙상블 방법은 랜덤 포레스트의 의사결정 트리나 그래디언트 부스팅 모델처럼 여러 모델을 결합하여 예측 성능과 안정성을 향상시킵니다. \u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E전이 학습은 특정 작업이나 데이터 세트로 학습된 모델을 기반으로 다른 작업에 맞게 적응시키는 방식입니다. 파인튜닝은 대표적인 방법 중 하나로, 사전 학습된 모델을 새로운 데이터나 보다 구체적인 데이터로 추가 학습시켜 특정 사용 사례에 맞게 동작을 조정합니다.\u003C/p\u003E\n\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003E모델 규모가 커질수록 학습은 인프라와 비용 측면에서 상당한 영향을 미칩니다. 작은 모델은 단일 머신에서 학습할 수 있지만, 딥러닝 모델이나 파운데이션 모델은 GPU, 더 많은 메모리, 더 긴 실행 시간을 요구할 수 있습니다. \u003C/p\u003E\n\u003Cp\u003E이러한 복잡성은 여러 방식으로 관리할 수 있습니다. 분산 훈련은 작업을 여러 디바이스나 노드로 분산시키고, 혼합 정밀도는 필요한 경우 더 작은 수치 형식을 사용해 메모리 사용량을 줄이며, LoRA와 같은 파라미터 효율적 파인튜닝 방법은 원본 모델 가중치와 함께 소규모의 저순위 지표를 추가한 뒤 원본 가중치는 고정한 채 추가된 부분만 학습하여 전체 모델을 업데이트하지 않고도 성능을 조정할 수 있게 해줍니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"card_v2_why-ai-governance-on-snowflake_0":{"id":"card-v2-fa98e69f3a","additionalClasses":"seo-customer","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EHelloFresh는 Snowflake AI 데이터 클라우드를 중앙 집중식 데이터 플랫폼으로 활용하여 분산된 데이터 소스를 통합하고, 인사이트 도출 시간을 단축했으며, 메뉴 개발, 가격 책정, 프로모션, 창고 운영, 공급망 관리 전반에서 실시간 의사 결정을 지원합니다. HelloFresh는 서드 파티 분석 도구를 퍼스트 파티 고객 상호작용 데이터로 대체하여 개인화 수준을 높이고 개인정보 보호 규정 준수를 강화했으며 비용을 30% 절감했습니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"horizontal","title":{"id":"title","type":"heading4","lines":["고객 사례: HelloFresh"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/customers/all-customers/case-study/hellofresh/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"전체 활용 사례 읽기"},"image":{"id":"image","height":"351","src":"https://www.snowflake.com/adobe/dynamicmedia/deliver/dm-aid--2dac8135-2c2c-42c6-9692-134869317c5d/hello-fresh.png?preferwebp=true&quality=85","alt":"hello fresh logo","lazyEnabled":true,"width":"624",":type":"snowflake-site/components/image"},"type":"content-card"},"title_ai-traceability-and-auditability":{"id":"title-v2-eacae6e17c","additionalClasses":"anchor-title anchor-title--mlops-managing-models-in-production","type":"heading2","lines":["MLOps: 프로덕션에서의 모델 관리"],":type":"snowflake-site/components/title-v2"},"text_ai-traceability-and-auditability_0":{"id":"text-923daffc3c","text":"\u003Cp\u003E머신러닝 운영(MLOps)은 모델이 프로덕션 시스템의 일부가 된 이후 ML 수명 주기를 반복 가능하고 거버넌스 하에 안정적으로 운영할 수 있도록 하는 데 초점을 맞춥니다. MLOps는 팀이 모델 버전, 배포 워크플로우, 서빙 인프라, 모니터링, 재학습, 롤백 경로를 체계적으로 관리할 수 있는 방법을 제공하여, 모델이 일회성 노트북 작업이나 문서화되지 않은 인수인계에 의존하지 않도록 합니다.\u003C/p\u003E\n\u003Cp\u003E바로 이 지점에서 유망한 모델과 실제 프로덕션 ML 시스템 사이의 격차가 가장 뚜렷하게 드러납니다. 프로덕션 팀은 어떤 모델 버전이 예측을 제공하고 있는지, 어떤 데이터와 피처가 모델을 형성했는지, 어떤 평가 지표가 릴리스를 뒷받침했는지, 누가 배포를 승인했는지, 그리고 비즈니스 환경이 변화한 뒤 모델이 어떻게 동작하는지를 지속적으로 파악해야 합니다. MLOps 통제 장치가 없다면 결과를 재현하거나 오류를 조사하기 어렵고, 모델을 재학습해야 할지, 롤백해야 할지, 아니면 폐기해야 할지 판단하기도 어렵습니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"text_copy":{"id":"text-a0e2e5b04d","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003E자주 하는 실수\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003E많은 조직이 모델 선택에는 큰 비중을 두는 반면, 데이터 품질, 피처 일관성, 거버넌스, 모니터링과 관련된 운영상의 과제는 과소평가하는 경향이 있습니다. 모델은 개발 단계에서 우수한 성능을 보이더라도, 업스트림 데이터가 변경되거나 학습 시 가정이 낡거나 추론 파이프라인의 드리프트와 안정성이 모니터링되지 않으면 프로덕션 환경에서 빠르게 성능이 저하될 수 있습니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"},"text_ai_traceability":{"id":"text-ab608c7cef","text":"\u003Cp\u003E일반적인 MLOps 관행에는 다음이 포함됩니다.\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003E모델 버전 관리:\u003C/b\u003E 각 모델 아티팩트, 학습 데이터, 피처 정의, 파라미터, 종속성, 평가 결과를 추적합니다.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003E모델 배포:\u003C/b\u003E 승인된 모델을 명확한 릴리스 통제 하에 배치 또는 실시간 추론 워크플로우로 이관합니다.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003E모델 서빙:\u003C/b\u003E 애플리케이션, 파이프라인 또는 분석가가 모델에 예측을 요청할 수 있도록 하는 인프라를 제공합니다.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003E실험 추적:\u003C/b\u003E 학습 실행, 지표, 구성 선택 사항을 기록하여 팀이 모델을 비교하고 결과를 재현할 수 있도록 합니다.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003E모델 모니터링:\u003C/b\u003E 성능, 드리프트, 데이터 볼륨 및 모델이 여전히 예상대로 작동하는지 보여주는 기타 신호를 추적합니다.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003E지속적 학습: \u003C/b\u003E새로운 데이터, 드리프트 또는 비즈니스 변화로 인해 기존 모델의 신뢰성이 떨어질 때 모델을 재학습하거나 갱신합니다.\u003C/p\u003E\n\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003EMLOps는 수명 주기를 운영 체제처럼 관리하는 것을 의미합니다. 데이터 사이언스 업무를 소프트웨어 엔지니어링, 데이터 엔지니어링, 거버넌스, 비즈니스 소유권의 프로덕션 요구 사항과 연결합니다. 모델 레지스트리, 피처 스토어, CI/CD 워크플로우, 모니터링 계층, 승인 프로세스는 모두 다음과 같은 기본적인 질문에 답할 수 있게 해줍니다. 현재 어떤 모델이 실행되고 있는가, 무엇이 그 모델을 형성했는가, 조직은 지금 그 모델이 수행하는 작업을 신뢰할 수 있는가?\u003C/p\u003E\n\u003Cp\u003E\u003Ci\u003ESnowflake의 AI 데이터 클라우드가 데이터 활용을 단순화하고 가속화하여 기업이 대규모로 AI를 활용할 수 있도록 지원하는 방식을 알아보세요.\u003C/i\u003E\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"youtube":{"id":"embed-4ce9bd7a33","youtubeVideoId":"xXpqQk0CBZY","layout":"responsive","youtubeAspectRatio":"56.25","youtubeAutoPlay":false,"youtubeLoop":false,"youtubeMute":false,"youtubePlaysInline":false,"youtubeRel":false,"embeddableResourceType":"core/wcm/components/embed/v1/embed/embeddable/youtube","type":"EMBEDDABLE",":type":"snowflake-site/components/youtube"},"title_training-data-governance-and-bias-auditing":{"id":"title-v2-b943d29d4b","additionalClasses":"anchor-title anchor-title--machine-learning-on-snowflake","type":"heading2","lines":["Snowflake의 머신러닝"],":type":"snowflake-site/components/title-v2"},"text_training-data-governance-and-bias-auditing_0":{"id":"text-20263f2432","text":"\u003Cp\u003E데이터, 거버넌스 제어, 개발 워크플로우, 모델 수명 주기가 서로 가까이 유지될 때 머신러닝을 운영화하기가 더 쉬워집니다. \u003Ca href=\"https://www.snowflake.com/en/product/features/end-to-end-ml-workflows/\"\u003ESnowflake ML\u003C/a\u003E은 데이터 준비, 피처 엔지니어링, 모델 학습, 추론, 모니터링을 포함하여 Snowflake 내 ML 워크플로우의 다양한 단계를 지원하는 기능을 제공합니다. \u003C/p\u003E\n\u003Cp\u003E“Snowflake ML은 데이터 준비, 피처 엔지니어링, 모델 학습, 추론, 모니터링을 포함하여 Snowflake 내 ML 워크플로우의 다양한 단계를 지원하는 기능을 제공합니다.”\u003C/p\u003E\n\u003Cp\u003ESnowflake ML의 주요 기능은 다음과 같습니다.\u003C/p\u003E\n\u003Cul\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003ESnowpark ML: \u003C/b\u003ESnowflake 내에서 전처리, 피처 엔지니어링, 학습, 배포를 수행할 수 있는 Python 네이티브 API입니다.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003ESnowflake Feature Store:\u003C/b\u003E Snowflake 내에서 ML 피처를 생성, 유지 관리, 재사용하고 서빙할 수 있는 거버넌스 기반의 공간입니다.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003ESnowflake 모델 레지스트리\u003C/b\u003E 모델, 메타데이터, 버전, 추론 워크플로우를 관리하는 중앙 시스템입니다.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EML 옵저버빌리티: \u003C/b\u003E배포 이후 모델 성능, 드리프트, 볼륨에 대한 모니터링을 제공합니다.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EContainer Runtime for ML:\u003C/b\u003E Snowpark Container Services에서 실험, 학습, 튜닝, 배치 추론, 파인튜닝을 위한 사전 구성된 CPU 및 GPU 환경을 제공합니다.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003ESnowflake ML Jobs: \u003C/b\u003E다양한 개발 환경에서 Snowflake ML 컨테이너 런타임 내부의 ML 워크플로우를 실행할 수 있는 방법입니다.\u003C/p\u003E\n\u003C/li\u003E\n\u003Cli\u003E\u003Cp\u003E\u003Cb\u003EContainer Runtime의 Notebooks: \u003C/b\u003E인기 있는 ML 패키지가 사전 설치되어 있으며, 모델 학습과 파라미터 튜닝에 적합한 인터랙티브 개발 환경입니다.\u003C/p\u003E\n\u003C/li\u003E\n\u003C/ul\u003E\n\u003Cp\u003E아키텍처의 이점은 명확합니다. 팀은 거버넌스가 적용된 데이터가 이미 존재하는 곳에서 ML을 구축하고 운영할 수 있습니다. 피처 파이프라인은 통제된 테이블에서 데이터를 읽을 수 있고, 학습 작업은 Snowflake 컴퓨팅을 사용할 수 있으며, 모델은 레지스트리에 등록되고, 추론은 거버넌스가 적용된 데이터를 기반으로 실행되며, 모니터링은 시간이 지나면서 프로덕션 동작이 변하는지 여부를 추적할 수 있습니다. \u003C/p\u003E\n\u003Cp\u003E아키텍처가 데이터 사이언스 전문성, 거버넌스 검토, 모델 리스크 관리의 필요성을 없애주는 것은 아니지만, 실험에서 프로덕션으로 이동하는 데 있어 팀에게 보다 일관된 기반을 제공합니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"title_generative-ai-and-ai-agent-governance":{"id":"title-v2-4b1b748937","additionalClasses":"anchor-title anchor-title--production-ml-starts-with-data-foundation","type":"heading2","lines":["프로덕션 ML은 데이터 파운데이션에서 시작됩니다"],":type":"snowflake-site/components/title-v2"},"text_generative-ai-and-ai-agent-governance_0":{"id":"text-9d3583968e","text":"\u003Cp\u003E머신러닝은 데이터를 예측과 자동화된 의사 결정으로 전환하지만, 모델은 시스템의 일부일 뿐입니다. 이를 둘러싼 요소도 그만큼 중요합니다. 학습 데이터는 신뢰할 수 있어야 하고, 피처는 일관되게 정의되어야 하며, 데이터, 사용자, 비즈니스 조건이 변화하기 때문에 모델은 프로덕션 이전에 평가되고 이후에는 모니터링되어야 합니다.\u003C/p\u003E\n\u003Cp\u003E엔터프라이즈 팀에게 실질적인 질문은 어떤 알고리즘을 선택할 것인가가 아닙니다. 조직이 거버넌스 기반의 데이터, 반복 가능한 파이프라인, 모델 수명 주기 제어, 프로덕션 ML 평가/모니터링을 단일 운영 모델로 연결하고, 시스템이 확장되는 과정에서도 이러한 연결을 유지할 수 있는가입니다. \u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"},"callout_a-practical-path-to-safer-ai_0":{"id":"text-3513b81212","additionalClasses":"callout callout--general","text":"\u003Cp\u003E\u003Cb\u003E핵심 요약\u003C/b\u003E\u003C/p\u003E\n\u003Cp\u003E엔터프라이즈 머신러닝을 위해서는 조직이 고품질 데이터, 반복 가능한 파이프라인, 거버넌스, 지속적인 모니터링을 통합된 운영 기반으로 결합해야 합니다. 비즈니스 조건, 사용자 행동, 데이터 패턴이 변화하는 가운데 이를 지원하는 데이터, 인프라, 수명 주기 프로세스가 일관되게 유지될 때 모델은 안정적으로 작동할 수 있습니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular text-color-text-05"}},":itemsOrder":["callout_what-is-ai-governance_0","text_intro_0","title_what-is-ai-governance","text_what-is-ai-governance_0","title_why-ai-governance-matters-now","text_why-ai-governance-matters-now_0","title_key-ai-governance-frameworks-eu-ai-act-nist-ai-rmf-and-iso-42001","text_key-ai-governance-frameworks-eu-ai-act-nist-ai-rmf-and-iso-42001_0","card_v2_why_ai_gover","title_key-components-of-ai-governance","text_key-components-of-ai-governance_0","title_responsible-ai-principles-that-operationalize-governance","text_responsible-ai-principles-that-operationalize-governance_0","title_ai-transparency-and-explainability","text_ai-transparency-and-explainability_0","card_v2_why-ai-governance-on-snowflake_0","title_ai-traceability-and-auditability","text_ai-traceability-and-auditability_0","text_copy","text_ai_traceability","youtube","title_training-data-governance-and-bias-auditing","text_training-data-governance-and-bias-auditing_0","title_generative-ai-and-ai-agent-governance","text_generative-ai-and-ai-agent-governance_0","callout_a-practical-path-to-safer-ai_0"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"},"flexible_column_content_container_2":{"additionalClasses":"hub-sidebar","layout":"SIMPLE","id":"hub-body-aside",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"container":{"additionalClasses":"sticky-sidebar","layout":"RESPONSIVE_GRID","columnCount":12,"columnClassNames":{"text_943981956_copy_":"aem-GridColumn aem-GridColumn--default--12","text_copy":"aem-GridColumn aem-GridColumn--default--12"},"gridClassNames":"aem-Grid aem-Grid--12 aem-Grid--default--12","id":"container-4a903a85a7",":type":"snowflake-site/components/container",":items":{"text_943981956_copy_":{"id":"text-99c12c1f27","additionalClasses":"eyebrow-text","text":"\u003Cp\u003E이 가이드의 주요 내용\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-regular"},"text_copy":{"id":"text-34cd52c25d","additionalClasses":"page-toc","text":"\u003Cul\u003E\n\u003Cli data-anchor=\"what-is-machine-learning\"\u003E머신러닝이란?\u003C/li\u003E\n\u003Cli data-anchor=\"why-machine-learning-matters-for-enterprise-data-teams\"\u003E엔터프라이즈 데이터 팀에게 머신러닝이 중요한 이유\u003C/li\u003E\n\u003Cli data-anchor=\"how-machine-learning-works-ml-lifecycle\"\u003E머신러닝의 작동 방식: ML 수명 주기\u003C/li\u003E\n\u003Cli data-anchor=\"types-of-machine-learning\"\u003E머신러닝의 유형\u003C/li\u003E\n\u003Cli data-anchor=\"deep-learning-and-neural-networks\"\u003E딥러닝과 신경망\u003C/li\u003E\n\u003Cli data-anchor=\"model-training-and-optimization\"\u003E모델 학습 및 최적화\u003C/li\u003E\n\u003Cli data-anchor=\"mlops-managing-models-in-production\"\u003EMLOps: 프로덕션에서의 모델 관리\u003C/li\u003E\n\u003Cli data-anchor=\"machine-learning-on-snowflake\"\u003ESnowflake의 머신러닝\u003C/li\u003E\n\u003Cli data-anchor=\"production-ml-starts-with-data-foundation\"\u003E프로덕션 ML은 데이터 파운데이션에서 시작됩니다\u003C/li\u003E\n\u003C/ul\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-size-small text-color-text-05"}},":itemsOrder":["text_943981956_copy_","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-medium"}},":itemsOrder":["container"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-small"},"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","isBlogPage":false},"flexible_column_cont_1786318617":{"id":"flexible-column-container-40b50b3d1a","propertiesId":"hub-faq","type":"2-column-40-60","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-faq-intro",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy":{"id":"title-v2-90e7780519","additionalClasses":"hub-faq__headline","type":"heading2","lines":["자주 묻는 질문"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy":{"id":"text-56d43ea1f2","additionalClasses":"hub-faq__subheadline","text":"\u003Cp\u003E머신러닝에 대한 주요 질문에 Snowflake 전문가가 답합니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy","text_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"hub-faq-accordions",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"simple_snowflake_acc":{"id":"simple-snowflake-accordion-6f1667b9bc","additionalClasses":"seo-hub__faqs","showDivider":false,"accordionItemsList":[{"title":"AI와 머신러닝의 차이는 무엇인가요?","richText":"\u003Cp\u003EAI는 주어진 목표에 대해 예측, 추천, 생성된 콘텐츠, 의사 결정과 같은 결과물을 산출할 수 있는 시스템을 구축하는 광범위한 분야입니다. 머신러닝은 AI의 하위 집합으로, 데이터로 모델을 학습시켜 패턴을 인식하고 이를 새로운 입력에 적용할 수 있도록 합니다. \u003C/p\u003E\n"},{"title":"프로덕션 환경에서 가장 많이 사용되는 머신러닝 알고리즘은 무엇인가요?","richText":"\u003Cp\u003E일반적인 프로덕션 알고리즘에는 선형 회귀, 로지스틱 회귀, 의사결정 트리, 랜덤 포레스트, 그래디언트 부스팅 모델, 클러스터링 알고리즘, 추천 모델, 신경망 등이 있습니다. 적합한 선택은 해결하려는 문제, 데이터 볼륨, 지연 시간 요구 사항, 해석 가능성, 운영상의 제약 조건에 따라 달라집니다. 많은 엔터프라이즈 환경에서 단순한 지도 학습 모델은 설명하고 모니터링하며 유지 관리하기가 더 쉽기 때문에 여전히 유용하게 활용됩니다.\u003C/p\u003E\n"},{"title":"머신러닝 모델을 배포하는 데 얼마나 걸리나요?","richText":"\u003Cp\u003E배포 기간은 사용 사례, 데이터 준비 상태, 거버넌스 요구 사항, 프로덕션 환경에 따라 며칠, 몇 주, 몇 달까지 소요될 수 있습니다. 깔끔하고 잘 관리된 데이터를 사용하는 단순한 예측 모델은 빠르게 배포할 수 있습니다. 반면 공정성 테스트, 모델 설명서, 사람의 검토, 실시간 서빙, 지속적인 모니터링이 필요한 규제 대상 사용 사례는 더 오랜 시간이 걸립니다. 모델 자체는 전체 작업의 일부일 뿐이며, 일반적으로 데이터 파이프라인, 피처 정의, 승인, 모니터링, 비즈니스 워크플로우 통합이 전체 일정을 좌우합니다.\u003C/p\u003E\n"},{"title":"머신러닝을 시작하려면 어떤 역량이 필요한가요?","richText":"\u003Cp\u003E실무적인 ML 기본기에는 통계, 데이터 준비, Python, SQL, 모델 평가, 피처 엔지니어링, 주요 알고리즘에 대한 실무적 이해가 포함됩니다. 프로덕션 업무를 위해서는 버전 관리, 배포, 모니터링, 파이프라인 오케스트레이션, 거버넌스와 같은 MLOps 역량도 필요합니다. 도메인 지식도 중요합니다. 최적의 피처 엔지니어링과 평가 방식은 모델이 해결하고자 하는 비즈니스 문제에 따라 달라지기 때문입니다. \u003C/p\u003E\n"},{"title":"데이터가 머신러닝에 활용할 준비가 되었는지 어떻게 알 수 있나요?","richText":"\u003Cp\u003E팀이 목표 결과를 정의하고, 관련 입력값을 확보하며, 데이터 품질을 검증하고, 계보를 파악하며, 피처를 일관되게 정의하고, 모델을 학습·평가할 수 있는 충분히 대표성 있는 사례에 액세스할 수 있을 때 데이터는 머신러닝에 활용할 준비가 된 것입니다. 준비 상태에는 거버넌스도 포함됩니다. 팀은 해당 데이터에 어떤 정책이 적용되는지, 민감한 속성이 포함되어 있는지, 소스 데이터의 소유자가 누구인지, 학습·추론·모니터링 파이프라인이 어떻게 감사될지 파악하고 있어야 합니다.\u003C/p\u003E\n"}],":type":"snowflake-site/components/simple-snowflake-accordion"}},":itemsOrder":["simple_snowflake_acc"]},"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1467213961":{"id":"flexible-column-container-616fa656c5","propertiesId":"hub-explore-resources-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-b351dba82f",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2":{"id":"title-v2-c119fb2cf0","additionalClasses":"hub-explore-resources-header__headline","type":"heading2","lines":["AI 리소스 살펴보기"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"}},":itemsOrder":["title_v2"]},"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_912630531":{"id":"flexible-column-container-151c3c0bd8","propertiesId":"hub-explore-resources-grid","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"medium","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"hub-explore-resources-grid-inner",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"resource_chip_0":{"id":"content-chip-ab640867e3","tagText":"가이드","tagColor":"#AAE6EA","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/developers/guides/develop-and-manage-ml-models-with-feature-store-and-model-registry/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title","type":"heading5","lines":["피처 스토어와 모델 레지스트리로 ML 모델 개발 및 관리"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_1":{"id":"content-chip-e479fbb6ee","tagText":"블로그","tagColor":"#29b5e8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/engineering/machine-learning-container-runtime/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title","type":"heading5","lines":["Snowflake Container Runtime을 활용한 머신러닝"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_2":{"id":"content-chip-866211f81c","tagText":"가이드","tagColor":"#AAE5EA","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/developers/guides/agentic-machine-learning-best-practices-coco/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title","type":"heading5","lines":["Cortex Code를 활용한 에이전틱 머신러닝 모범 사례"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"},"resource_chip_3":{"id":"content-chip-b406bb1105","tagText":"블로그","tagColor":"#29b5e8","cta":{"id":"cta","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/blog/engineering/scale-real-time-model-serving/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"더 보기"},"headline":{"id":"title","type":"heading5","lines":["저지연 ML 추론을 위한 실시간 모델 서빙 확장 방법"],":type":"snowflake-site/components/title-v2"},":type":"snowflake-site/components/content-chip","appliedCssClassNames":"snowflake-content-chip-white-bg"}},":itemsOrder":["resource_chip_0","resource_chip_1","resource_chip_2","resource_chip_3"]},"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-gray-10-bg"},"flexible_column_cont_1158003461":{"id":"flexible-column-container-041865af19","propertiesId":"hub-explore-topics-header","type":"1-column","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"large","bottomPadding":"none","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-e8a79525a2",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"title_v2_copy_copy":{"id":"title-v2-434e9d1d96","additionalClasses":"hub-explore-topics-header__headline","type":"heading2","lines":["AI 주제 살펴보기"],":type":"snowflake-site/components/title-v2","appliedCssClassNames":"left-alignment"},"text_copy_copy":{"id":"text-895fed3bac","additionalClasses":"hub-explore-topics-header__subheadline","text":"\u003Cp\u003E인공지능의 모든 영역을 깊이 있게 살펴보세요\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text","appliedCssClassNames":"text-color-text-05"}},":itemsOrder":["title_v2_copy_copy","text_copy_copy"],"appliedCssClassNames":"snowflake-responsive-container-inner-padding-extra-small"},"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"},"flexible_column_cont_1377146023":{"id":"flexible-column-container-a5f8f6ae23","propertiesId":"hub-explore-topics-grid","type":"3-column-even","alignColumns":"top","containerMaxWidth":"extra-large","topPadding":"small","bottomPadding":"large","spaceBetween":"small","reverseOnMobile":false,"carouselOnMobile":false,"backgroundImageOption":"none","flexible_column_content_container_1":{"layout":"SIMPLE","id":"container-449908bb03",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_0":{"id":"card-v2-8152409bfa","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003E엔터프라이즈 AI의 기본 가이드: 작동 방식, 향후 방향, 비즈니스에 의미하는 바를 알아보세요.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["인공지능"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/artificial-intelligence/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"자세히 알아보기"},"type":"content-card"}},":itemsOrder":["topic_card_0"]},"flexible_column_content_container_2":{"layout":"SIMPLE","id":"container-8788c46f2d",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_1":{"id":"card-v2-e6df3f2e59","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003EAI 위험, 책임, 준수 및 운영 통제를 관리하기 위한 프레임워크, 정책 및 감독 모델.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["AI 거버넌스"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/artificial-intelligence/ai-governance/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"자세히 알아보기"},"type":"content-card"}},":itemsOrder":["topic_card_1"]},"flexible_column_content_container_3":{"layout":"SIMPLE","id":"container-fe91bf265d",":type":"snowflake-site/components/flexible-column-container/flexible-column-content-container",":items":{"topic_card_2":{"id":"card-v2-22aa4df3bc","configurationStatus":{"configured":true,"message":""},":type":"snowflake-site/components/card-v2","text":{"id":"text","text":"\u003Cp\u003E책임 있는 AI 사용을 안내하는 공정성, 책임성, 인간 감독과 같은 원칙입니다.\u003C/p\u003E\n","richText":true,":type":"snowflake-site/components/text"},"layoutStyle":"vertical","title":{"id":"title","type":"heading4","lines":["AI 윤리"],":type":"snowflake-site/components/title-v2"},"button":{"id":"button","showOutboundIcon":false,"buttonLink":{"valid":true,"url":"https://www.snowflake.com/en/artificial-intelligence/ai-governance/ai-ethics/"},"linkTargetContentType":"GENERIC",":type":"snowflake-site/components/button","linkType":"SNOWFLAKE_EXTERNAL","text":"자세히 알아보기"},"type":"content-card"}},":itemsOrder":["topic_card_2"]},"isActiveTOC":false,":type":"snowflake-site/components/flexible-column-container","isBlogPage":false,"appliedCssClassNames":"snowflake-flexible-column-container-white-bg"}},":itemsOrder":["flexible_column_cont","flexible_column_cont_939100716","flexible_column_cont_1398138236","flexible_column_cont_663228916","flexible_column_cont_1786318617","flexible_column_cont_1467213961","flexible_column_cont_912630531","flexible_column_cont_1158003461","flexible_column_cont_1377146023"],":type":"wcm/foundation/components/responsivegrid"},"modal_container":{"layout":"SIMPLE","id":"container-79fb34aae6",":type":"snowflake-site/components/modal/modal-container",":items":{},":itemsOrder":[]},"markup_editor_928258845":{"id":"markup-editor-49e974c857","title":" ","cssContent":".snowflake-flexible-column-container-gray-10-bg\u003E.snowflake-flexible-column-container{background-color:var(--ui-background-05) !important}.text-size-regular:has(.seo-hub-hero__related-topic-label){display:flex;align-items:center}.hub-hero__headline span{text-transform:none !important}.hub-hero__subheadline p{max-width:70ch;margin-top:8px}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.hub-hero__authors \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:24px 48px 0 0 !important}.hub-hero__authors .heading-5-v2{gap:var(--spacing-00)}.hub-hero__authors .snowflake-content-chip-button{display:none !important}.hub-hero__authors .snowflake-person-chip-content .body-2,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line{font-size:16px !important;line-height:20px !important;font-family:\"Lato\",sans-serif !important;color:#000 !important;font-weight:600 !important}.hub-hero__authors .snowflake-person-chip-content .body-3,.hub-hero__authors .snowflake-content-chip-content .snowflake-title-v2-line:not(:first-child){font-weight:400 !important;color:var(--text-05) !important;font-size:16px !important}.hub-hero__authors .snowflake-image-container img{aspect-ratio:1 !important;border-radius:100%;overflow:hidden}.hub-hero__authors .snowflake-person-chip-avatar{width:56px;height:56px}.hub-hero__authors .snowflake-content-chip{align-items:center;display:inline-flex}.hub-hero__authors .snowflake-content-chip-image{max-width:56px;line-height:0;margin-right:var(--spacing-03)}.hub-hero__authors .snowflake-person-chip-inner-horizontal{gap:var(--spacing-03)}@media screen and (min-width:1367px){.hub-hero__headline .heading-1-v2{font-size:48px;line-height:44px}}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container{display:flex;flex-direction:row;flex-wrap:wrap;gap:24px}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::before,#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container::after{display:none}#hub-explore-resources-grid-inner\u003E.container\u003E.cmp-container\u003E.aem-container\u003Ediv{width:calc(25% - 18px)}.text-color-text-05 .snowflake-text h2,.text-color-text-05.cq-Editable-dom h2,.text-color-text-05 .snowflake-text h3,.text-color-text-05.cq-Editable-dom h3,.text-color-text-05 .snowflake-text h4,.text-color-text-05.cq-Editable-dom h4,.text-color-text-05 .snowflake-text h5,.text-color-text-05.cq-Editable-dom h5,.text-color-text-05 .snowflake-text h6,.text-color-text-05.cq-Editable-dom h6{color:#000 !important}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor_597730182":{"id":"markup-editor-272695c51c","title":" ","cssContent":".sf-copy-markdown [data-copy-md]{display:inline-flex;align-items:center;gap:6px;padding:8px 16px;font-family:'Texta',sans-serif;text-transform:uppercase;font-weight:800 !important;font-size:14px;font-weight:500;color:#11567f;background:#f0faff;border:1px solid #b8e6f9;border-radius:24px;cursor:pointer;transition:background .2s ease,border-color .2s ease,color .2s ease}.sf-copy-markdown [data-copy-md]:hover{background:#ddf3fc;border-color:#29b5e8}.sf-copy-markdown [data-copy-md][data-copied=\"1\"]{color:#0f7b3e;background:#ecfdf5;border-color:#6ee7a0;pointer-events:none}.sf-copy-markdown [data-copy-md] svg{flex-shrink:0}.longform-conten .snowflake-content-chip-white-bg .snowflake-content-chip{box-shadow:0 0 24px 4px rgba(0,0,0,.02),0 4px 8px 0 rgba(0,0,0,.04);flex-direction:row-reverse;align-items:center}.longform-conten .snowflake-content-chip-button{display:none}.longform-conten .snowflake-content-chip-image__inner{aspect-ratio:5 / 3;display:flex;justify-content:center;align-items:center;background-color:var(--ui-01);border-radius:4px}.longform-conten .snowflake-content-chip-image{margin-right:0;margin-left:48px}.longform-conten .snowflake-content-chip-image img{width:50%;border-radius:0 !important;object-fit:contain}.longform-content .black-blue-text-color .snowflake-title-v2-line:not(:first-child){font-size:14px !important;font-weight:400 !important;color:rgba(0,0,0,.6) !important;margin-top:8px !important}.page-toc ul li:first-child{padding-top:0 !important}.page-toc ul li:last-child{padding-bottom:0 !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{flex-grow:1}.sf-copy-markdown{margin-top:40px !important}.page-toc ul{margin-top:16px !important}.seo-hub__top-bar \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;justify-content:space-between}.sf-copy-markdown{}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E strong,.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}.callout.snowflake-text p:not(:first-child){margin-top:var(--spacing-01)}.callout \u003E span \u003E p:first-child \u003E b{text-transform:uppercase;font-family:'Texta',sans-serif;font-size:16px !important;color:var(--ui-01) !important}.seo-hub-hero__subheadline p{max-width:80ch}#hero:has(.snowflake-youtube-lite) .seo-hub-hero__subheadline p{max-width:50ch}.tag-group ul{list-style-type:none;padding:0;margin:0;display:flex;flex-direction:row;row-gap:12px;column-gap:8px;align-items:center;flex-wrap:wrap}.tag-group ul li:first-child{width:100%;flex-shrink:0}.tag-group ul li a{display:inline-block;padding:2px 12px;border-radius:48px;background-color:#ededed;color:#666;font-size:14px !important}@media screen and (min-width:1367px){.seo-hub-hero__headline span.snowflake-title-v2-line{font-size:56px !important}}",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":false},"markup_editor":{"id":"markup-editor-d691a5baa6","title":" ","cssContent":"div.snowflake-breadcrumb a.snowflake-breadcrumb-item,.snowflake-breadcrumb div.snowflake-breadcrumb-item{text-transform:none;font-weight:500}.snowflake-breadcrumb svg{display:none !important}.snowflake-breadcrumb a:has(svg)::after{content:'/';margin:0 12px;color:#666}.hub-sidebar{padding:0 40px}.sticky-sidebar{max-width:340px;margin-left:auto}.page-toc ul{list-style-type:none;padding:0}.page-toc li{padding:8px 16px;border-left:4px solid var(--ui-01);cursor:pointer;transition:300ms ease all}.page-toc li:hover{color:var(--ui-01);border-color:#7fd3f1;transition:300ms ease all}.callout,.customer-card{background-color:#eef9fd;border-left:4px solid var(--ui-01);padding:24px 24px 24px 32px;border-radius:4px}.logo-container{max-width:180px}.longform-content li{margin-top:1rem !important}div.longform-content p{max-width:80ch}.bolder .snowflake-title-v2-line{font-weight:900 !important}.border-top\u003Ediv{border-top:1px solid #ccc;padding-top:48px}.related-topics ul{list-style-type:none;padding:0;margin:0;display:flex;gap:8px;flex-wrap:wrap}.related-topics li{display:inline-block;border:1px solid #ccc;padding:4px 12px;border-radius:24px}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-title-v2 .heading-6-v2,div.longform-content .snowflake-text .heading-6-v2{text-transform:none !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2{margin-top:1.5rem !important;line-height:1.1 !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2,div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2,div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2,div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-family:Lato,sans-serif !important;font-weight:800 !important}div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{text-transform:none !important;font-size:28px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:22px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:18px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:16px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:14px !important}@media screen and (min-width:992px){div.longform-content .snowflake-text h2,div.longform-content .snowflake-text .heading-2-v2,div.longform-content .snowflake-title-v2 .heading-2-v2{font-size:38px !important}div.longform-content .snowflake-text h3,div.longform-content .snowflake-text .heading-3-v2,div.longform-content .snowflake-title-v2 .heading-3-v2{font-size:26px !important}div.longform-content .snowflake-text h4,div.longform-content .snowflake-text .heading-4-v2,div.longform-content .snowflake-title-v2 .heading-4-v2{font-size:22px !important}div.longform-content .snowflake-text h5,div.longform-content .snowflake-text .heading-5-v2,div.longform-content .snowflake-title-v2 .heading-5-v2{font-size:18px !important}div.longform-content .snowflake-text h6,div.longform-content .snowflake-text .heading-6-v2,div.longform-content .snowflake-title-v2 .heading-6-v2{font-size:16px !important}}.sticky-sidebar .page-toc li.is-active{font-weight:600;color:var(--snow-blue,#29b5e8)}.sticky-sidebar .page-toc li[data-anchor]{cursor:pointer}.longform-content table{margin-top:24px;margin-bottom:24px;width:100%;background-color:var(--ui-background-01);border-collapse:collapse;border:2px solid var(--ui-background-09);font-family:'Lato',sans-serif;color:var(--ui-background-09)}.longform-content table thead{background-color:var(--ui-01)}.longform-content th,.longform-content td{min-width:120px;border:2px solid var(--ui-background-09);padding:var(--spacing-01)}.longform-content ol{margin-top:0 !important}.longform-content ol li{margin-bottom:1rem !important}.longform-content ul li{margin:0;padding:0 0 0 32px;position:relative}.longform-content ul{list-style-type:none}.longform-content ul li::before{content:\"\";display:block;border-radius:100%;background:#29b5e8;width:18px;height:18px;position:absolute;top:4px;left:0;border:5px solid #e5f2f7;box-sizing:border-box}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container{max-width:200px}.seo-customer.snowflake-card-v2-advanced-horizontal .snowflake-card-v2-advanced-image-container img{object-fit:contain}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container{display:flex;flex-direction:row}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div{width:auto !important;margin:0 !important}.related-topics-outer-container \u003E .container \u003E .cmp-container \u003E .aem-container \u003E div:first-child{margin-right:16px !important;flex-shrink:0}","jsContent":"(function(){var OFFSET=100;if(window.gsap&&window.ScrollTrigger){gsap.registerPlugin(ScrollTrigger);var sidebar=document.querySelector('.sticky-sidebar');var body=document.querySelector('.longform-content');if(sidebar&&body){ScrollTrigger.create({trigger:sidebar,start:'top 100px',endTrigger:body,end:'bottom bottom',pin:sidebar,pinSpacing:false});}}document.addEventListener('click',function(e){var li=e.target.closest('li[data-anchor]');if(!li)return;var slug=li.getAttribute('data-anchor');var heading=document.querySelector('.anchor-title--'+CSS.escape(slug));if(!heading)return;e.preventDefault();var top=heading.getBoundingClientRect().top+window.pageYOffset-OFFSET;window.scrollTo({top:top,behavior:'smooth'});history.replaceState(null,'','#'+slug);},false);var headings=document.querySelectorAll('[class*=\"anchor-title--\"]');if(headings.length&&'IntersectionObserver'in window){var io=new IntersectionObserver(function(entries){entries.forEach(function(entry){if(!entry.isIntersecting)return;var cls=Array.from(entry.target.classList).find(function(c){return c.indexOf('anchor-title--')===0;});if(!cls)return;var slug=cls.replace('anchor-title--','');document.querySelectorAll('li[data-anchor]').forEach(function(li){li.classList.toggle('is-active',li.getAttribute('data-anchor')===slug);});});},{rootMargin:'-20% 0px -70% 0px',threshold:0});headings.forEach(function(h){io.observe(h);});}})();",":type":"snowflake-site/components/markup-editor","isGSAPEnabled":true},"experiencefragment-footer":{"id":"experiencefragment-b21fcfdc14","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer/master.xfmodel.json?callerPage=/content/snowflake-site/global/ko/artificial-intelligence/machine-learning"},"experiencefragment":{"id":"experiencefragment-6226f9af21","localizedFragmentVariationPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer-legal-disclaimers/master/jcr:content","configured":true,":type":"snowflake-site/components/experiencefragment","xfModelPath":"/content/experience-fragments/snowflake-site/language-masters/ko/site/footer-legal-disclaimers/master.xfmodel.json?callerPage=/content/snowflake-site/global/ko/artificial-intelligence/machine-learning"}},":itemsOrder":["experiencefragment-banner","experiencefragment-header","responsivegrid","modal_container","markup_editor_928258845","markup_editor_597730182","markup_editor","experiencefragment-footer","experiencefragment"],":type":"wcm/foundation/components/responsivegrid"}},":itemsOrder":["root"],":hierarchyType":"page","isPasswordProtected":false,"analyticsContentTags":["snowflake-site:taxonomy/content-type/fundamentals"],"analyticsEnabled":true,":path":"/content/snowflake-site/global/ko/artificial-intelligence/machine-learning","analyticsDebugMode":false,"analyticsData":{"excludeFromAnalytics":false,"subCategory":"","pageType":"homepage","templateName":"base-page-template54","siteName":"snowflake","pageUrl":"/content/snowflake-site/global/ko/artificial-intelligence/machine-learning","language":"ko","category":"general","pageName":"엔터프라이즈에서의 머신러닝: ML 수명 주기 및 모범 사례","contentTags":["snowflake-site:taxonomy/content-type/fundamentals"]},"coveoConfig":{"apiKey":"xx335921a6-2a0a-40f2-a167-e390b4766c3d","organizationId":"snowflakecomputingproduction8neljofn","searchHub":"snowflake.com","pipeline":"snowflake.com"},"locale":"ko"}